De Nextcloud Assistant sneller maken: wat je eerst controleert
· Door Bee Flow · 5 min. lezen
Vier dingen bepalen hoe snel de Assistant antwoordt: een provider voor de taak, hoe snel taken worden opgepakt, een model dat bij de hardware past, en een runtime die Nextcloud kan bereiken. De stappen van Nextcloud zelf, op volgorde.

Doet de Nextcloud Assistant minuten over een antwoord, of blijft een taak op "scheduled" staan, dan is de oorzaak bijna altijd een van deze vier: er is geen provider geregistreerd voor dat soort taak, de taak wacht op de achtergrondtaak, het model is te groot voor de hardware, of Nextcloud kan de runtime van het model niet bereiken. Voor elk daarvan beschrijft Nextcloud zelf een oplossing. Dit stuk loopt ze langs in de volgorde waarin je de oorzaak het snelst vindt. De feiten komen uit de handleidingen van Nextcloud 35, de huidige versie op het moment van schrijven.
De weg die een vraag aflegt
Het helpt om de route te kennen. De Assistant roept zelf geen model aan. Hij zet een taak klaar via de Task Processing API van Nextcloud. Een worker pakt de taak op en geeft hem aan de provider-app die voor dat taaktype geregistreerd is, en die provider draait het model of roept een dienst aan. Een traag antwoord betekent dat er tijd verloren ging bij een van die drie stappen: wachten op het oppakken, wachten achter andere taken, of het model zelf.
1. Is er een provider voor deze taak?
De Assistant is de voorkant. Elke functie heeft een backend-app nodig, en de pagina over de Assistant in de handleiding noemt welke: tekst en chat hebben llm2 of de OpenAI and LocalAI integration nodig, spraak naar tekst heeft stt_whisper2 nodig, Context Chat een eigen app en backend plus een tekstprovider. Doet een functie helemaal niets, kijk dan onder Beheerinstellingen → Kunstmatige intelligentie of er voor dat taaktype een provider is gekozen.
Op de opdrachtregel zie je wat er met een taak is gebeurd:
sudo -E -u www-data php occ taskprocessing:task:list
sudo -E -u www-data php occ taskprocessing:task:stats
Een taak die op scheduled blijft staan, is nooit opgepakt. Een mislukte taak heeft een foutmelding, en die noemt meestal de oorzaak.
2. Wachten taken op de achtergrondtaak?
Dit is de meest voorkomende reden voor "het werkt, maar pas na een paar minuten". Het AI-overzicht legt uit dat AI-taken via achtergrondtaken lopen, en die draaien standaard elke vijf minuten. Een vraag die net na een ronde wordt gesteld, wacht bijna vijf minuten voordat er iets begint.
Controleer eerst of achtergrondtaken überhaupt draaien. Onder Beheerinstellingen → Basisinstellingen hoort de modus op Cron te staan, en de pagina laat zien wanneer de laatste taak liep. De pagina over achtergrondtaken beschrijft de inrichting.
Voeg daarna eigen workers toe, zodat taken worden opgepakt zodra ze klaarstaan. De handleiding raadt er vier of meer aan. Sinds Nextcloud 32.0.7 is de opdracht:
sudo -E -u www-data php occ taskprocessing:worker -v -t 60
Draai hem in een lus, of als de systemd-unit nextcloud-ai-worker@ uit de handleiding, en zet vier exemplaren aan. Oudere versies gebruiken background-job:worker. Met All-in-One draai je dezelfde opdracht via docker exec op de host. Ook die regel staat in de handleiding.
3. Past het model bij de hardware?
Worden taken meteen opgepakt en blijven antwoorden traag, kijk dan naar het model. De eigen FAQ van de handleiding, "Why is my prompt slow?", geeft twee redenen: het werk gebeurt op een CPU waar een GPU werd verwacht, en veel mensen stellen tegelijk een vraag, want verzoeken worden over het algemeen afgehandeld in de volgorde waarin ze binnenkomen.
Voor llm2 noemt de handleiding een NVIDIA-GPU met minstens 8 GB VRAM en CUDA 12.4 of nieuwer, met 12 GB werkgeheugen. Het draait ook op een CPU met AVX en AVX2, en daarvoor raadt de handleiding 10 tot 20 kernen aan. Twee opmerkingen op die pagina verklaren veel trage installaties: llm2 gebruikt standaard alle kernen, dus het staat beter op een aparte machine dan naast Nextcloud zelf, en het kan nog niet over meerdere machines worden verdeeld.
Wat je binnen Nextcloud kunt doen:
- Controleer of de container de GPU echt ziet. Een llm2 dat ongemerkt op de CPU terugvalt, is het klassieke geval.
- Kies voor dagelijkse taken het kleinste van de meegeleverde modellen.
- Zet llm2 op een eigen machine, zodat het niet met PHP en de database om rekenkracht vecht.
- Worden chats trager naarmate ze langer worden, verlaag dan
chat_last_n_messagesin de configuratie van de Assistant. Dan gaan er per vraag minder eerdere berichten mee.
4. Kan Nextcloud de runtime bereiken?
Heb je de OpenAI and LocalAI integration gekoppeld aan je eigen Ollama of een andere runtime, dan is "geen antwoord" vaak een verbindingsprobleem. Drie controles:
- Het adres.
localhostin een container is die container zelf. Draait Nextcloud in Docker, gebruik dan het adres van de host of van de machine waar de runtime staat. Je vult de basis-URL in zonder het pad van het endpoint. - De modelnaam. Het model dat je in Nextcloud kiest, moet er een zijn dat de runtime aanbiedt. Haal het daar eerst binnen.
- Tool calling. De Context Agent heeft een model nodig dat dat ondersteunt. Een model zonder tool calling antwoordt in gewone tekst waar een actie werd verwacht.
Ons stuk over AI in Nextcloud met een lokaal model gaat dieper op deze drie in.
Als de hardware de grens is
Soms is alles goed ingericht en heeft de server gewoon geen GPU, of een te kleine. Het antwoord van Nextcloud zelf staat in de handleiding: de Assistant kan een provider buiten de machine gebruiken, via de OpenAI and LocalAI integration of de routes op de pagina AI as a Service.
Bee Flow is nog een provider die je achter de Assistant kunt zetten. De Bee Flow-app voor Nextcloud registreert Bee Flow als Task Processing-provider voor de teksttaken. De Assistant blijft waar hij is, en zijn teksttaken draaien op het model dat je in Bee Flow hebt gekozen: een aanbieder die in de EU host, zoals Mistral, Scaleway of IONOS, of een runtime op een machine die wel een GPU heeft. Beeldgeneratie, spraak en transcriptie zijn niet geregistreerd. Die blijven hun eigen Nextcloud-apps gebruiken.
Wat het van je vraagt: Bee Flow is een aparte Docker-stack naast Nextcloud, op amd64. De kern heeft 4 GB geheugen nodig, de standaardinstallatie met het filter voor persoonsgegevens en de classificatie ongeveer 11 GB. Een GPU is niet nodig als het model wordt gehost. De connector is open source onder AGPL en ondersteunt Nextcloud 33 tot en met 35.